灰色组合模型在坝体水平位移预测中的应用

在灰色预测的基础上,引入BP神经网络模型,建立了GM（1,1）和BP神经网络组合模型,分别运用GM（1,1）模型、BP神经网络模型和它们的组合模型三种模型对坝体的非线性水平位移进行了分析,对比发现此组合模型兼有灰色预测和BP神经网络预测的优点,模型既克服了原始数据少的缺点,也增强了预测的自适应性,证明了组合模型的预测精度较高,可以应用于坝体水平位移的预测。     

汉十高铁线下工程沉降预测新陈代谢GM-BP组合模型研究

提出了一种新陈代谢GM(1,1)模型与BP神经网络模型的组合预测模型,给出了组合模型的基本思路,通过BP神经网络计算而来的误差预测值对新陈代谢GM(1,1)模型的预测值进行改正,并将新陈代谢GM-BP组合预测模型应用到新建铁路武汉至十堰铁路、孝感至十堰段的高铁陆地桥墩沉降预测中,结果表明:新陈代谢GM-BP组合预测模型较现有的新陈代谢GM(1,1)模型具有较高的精度。     

组合预测模型在建筑结构寿命预测中的应用研究

着重对BP神经网络模型和组合预测模型进行了介绍,以“误差之平方和最小”作为最优准则,利用组合预测模型对回归模型和BP神经网络模型进行优化,通过对某混凝土结构剩余寿命的实例分析,检验了这些模型的可行性、可靠性。     

一种组合模型在地面沉降预测中的应用研究

根据BP神经网络模型和自适应滤波模型模拟预测值相对于真实值上下波动的特点,应用方差理论建立BP神经网络自适应滤波组合模型,将其应用到天津富裕广场三期工程基坑周边地面沉降分析预测中.通过与独立的BP神经网络和自适应滤波模型模拟预测数据对比,证明了组合模型模拟预测的高精确性.     

基于灰色神经网络模型的基坑变形预测研究

结合灰色GM(1,1)模型和BP神经网络模型各自的优缺点,建立了灰色神经网络组合模型,并采用该模型对实际的监测数据进行处理和分析.结果表明,灰色神经网络充分发挥了灰色模型和神经网络模型的优势,取得了较好的预测精度,能够满足实际应用的需要.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法(PSO),对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明:组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于加权组合预测模型的城市用水量预测

介绍了移动算术平均预测法和BP神经网络理论在城市用水量预测方面的应用,并运用组合权系数优化理论,将移动算术平均预测法模型和BP神经网络预测模型进行加权组合。经吉首市实例验证,表明加权组合预测模型较单一的移动算术平均预测法模型和BP神经网络预测模型更全面,计算结果更精确,拟合效果更好。该模型能为我国中小城市用水量预测提供参考。     

开挖降水条件下基坑周围建筑物沉降预测研究

利用Gompertz曲线模型、灰色理论模型和BP神经网络模型等单一预测模型对基坑周围建筑物沉降进行预测,之后将结果与三者优化组合模型的预测结果进行比较分析,结果表明：单一模型预测结果的精度比三者优化组合模型的精度较低,而其中通过最优加权法组合的模型预测精度最高。     

基于混合模型的中央空调冷源系统运行能耗优化

为优化中央空调冷源系统运行能耗,本文分别建立了中央空调冷源系统运行能耗预测灰箱模型和BP神经网络模型,对比分析了灰箱模型与BP神经网络模型的能耗预测性能,并基于K-means聚类算法提出了将灰箱模型和BP神经网络模型相结合的能耗预测混合模型。结合中央空调冷源系统能耗预测混合模型,以模型可控输入变量为优化变量,对中央空调冷源系统进行节能优化。结果表明:对比单独使用灰箱模型或BP神经网络模型,中央空调冷源系统混合模型能耗预测精度提升了27.7%和33.85%。对比冷源系统优化前能耗,优化后的中央空调冷源系统运行能耗平均降低了8.2%。     

灰色理论和BP神经网络理论在地铁深基坑变形预测方面的应用

地铁深基坑变形是影响地铁建设的重要问题之一。针对地铁深基坑变形众多影响因素所具有的不确定性、模糊性以及深基坑变形的非线性特点,基于灰色系统理论和人工神经网络理论,分别采用灰色GM(1,1)模型、BP神经网络模型和灰色-BP神经网络组合模型对某地铁深基坑地表土体沉降进行预测分析,并将预测数据与实测数据进行对比,得出各模型预测精度。工程实例分析表明,灰色GM(1,1)模型预测精度最低,BP神经网络模型次之,灰色-BP神经网络组合模型由于集合了灰色GM(1,1)模型和BP神经网络模型的优点,预测精度最高,满足工程应用要求,对安全施工具有一定的指导作用。     

基于小波分析和神经网络的静力触探土类划分

利用小波分析和BP神经网络,建立一种用于基于静力触探数据进行土类划分的神经网络模型。该方法基于实测数据,利用小波分析获得不同土层触探参数的特征值,并用BP神经网络建立特征值与土类之间的映射关系,从而得到BP神经网络分类模型。结果表明,该方法可以有效地进行土类划分。     

神经网络遗传算法与混合波阻抗反演

神经网络算法可以建立属性参数与预测目标之间的高度非线性映射,遗传算法有选择适者生存的特点,神经网络算法与遗传算法构成的混合波阻抗反演具有精度更高,收敛速度更快的优势。本文简述了BP神经网络算法和遗传算法的基本原理,用理论模型比较了BP人工神经网络、遗传算法与混合波阻抗反演各自的特点,用实际地震资料检验了混合波阻抗反演的实用性。     

基于BP网络的隧道围岩位移预测方法

介绍人工神经网络模型法的基本原理与步骤,探讨了隧道围岩收敛监测数据与人工神经网络间的联系,并建立了基于人工神经网络的隧道围岩收敛预报模型。以工程实例为背景,对隧道围岩的收敛变形进行预报分析。研究结果表明:BP网络预测值与实测值吻合程度很好,完全满足工程及控制的要求。     

基于BP神经网络混凝土抗压强度预测

在阐述BP人工神经网络原理的基础上,针对影响强度的主要因素,建立了多因子混凝土抗压强度3层BP网络模型,以每立方混凝土中水泥、高炉矿渣粉、粉煤灰、水、减水剂、粗集料和细集料含量及置放天数作为模型输入参数,混凝土抗压强度值作为模型的输出,对混凝土抗压强度进行了预测.实验结果表明:所建BP神经网络混凝土抗压强度预测模型最大...     

基于BP神经网络的丁坝坝头冲刷深度预测模型

将丁坝坝头冲刷影响因素分组,并分别用收集到的丁坝坝头局部冲刷数据样本训练并测试BP神经网络模型,进行了冲刷深度的预测,经过对比分析,从而得到了最佳模型,测试结果表明由BP神经网络模型得出的丁坝坝头局部冲刷深度预测值与实测值比较吻合,说明该神经网络模型预测丁坝局部冲刷深度是可行的、有效的。     

BP网络预测再生混凝土性能研究

利用BP神经网络模型,对再生混凝土强度及工作性能的预测方法进行了探讨。根据再生混凝土的特殊性,找出影响其强度和坍落度、保水性的主要因素,对试验中通过主观观察得到的数据进行量化,在此基础上建立预测其强度和工作性能的BP神经网络模型,针对所建模型,输入一定量的实测数据样本,对网络进行训练。为了验证训练好的网络的推广性能,用预留的一组试验数据进行仿真训练的效率和误差及仿真计算的结果表明,采用优化的BP网络模型及合适的样本参数训练出的预测系统对再生混凝土的强度及工作性能进行预测是可行的。     

基于神经网络的GPS高程拟合及其MATLAB实现

GPS高程转换通常采用某种函数模型进行拟合转换,函数模型难以真实模拟似大地水准面,具有较大的模型误差,造成拟合效果不佳。BP神经网络方法进行GPS高程拟合可以减少模型产生的误差。文章采用MATLAB语言实现了BP神经网络对GPS高程转换拟合并与二次曲面拟合结果进行比较,结果体现了神经网络进行高程拟合的优越性。     

高速公路沉降预测神经网络法应用研究

提出了改进的BP神经网络模型 ,把它应用到软基高速公路的沉降预测中 ,提出了两种构造神经网络训练样本基本思路 ,并分别进行了计算和对比 ,指出了各自的优、缺点。结果表明改进的BP网络模型比较稳健、收敛快 ,而且根据时间与对应的沉降量形成的样本训练的网络预测出的沉降误差小、精度高。